采摘机器人的目标定位和测量技术

在采摘机器人的工作过程中,为了提高采摘机器人的采摘成功率,需要获取水果的位置信息,以确定果实与采摘机器人的相对位置关系.由于采摘作业环境复杂,为提高采摘系统的工作效率,提出一种基于Opencv采用Yolov5算法和双目相机对水果进行目标识别和空间定位的方法.针对小目标识别在Yolov5算法中识别精度的不足,在Yolov5算法网络结构中叠加包含更多低层级信息的浅层特征图,实现小目标检测层进行算法优化,实验结果表明,优化后的识别网络对水果检测的平均精度为92.4%.基于深度学习的优化识别网络在识别小目标方面具有更好的性能,可以有效提高果农采摘系统的工作效率.     

基于双主干网络的雾天交通目标检测方法研究

车辆和行人安全监测是城市交通监测的一项重要任务。 针对雾霾等复杂恶劣天气条件下,监测采集的图像视觉效果差、噪声高、目标检测困难等问题,提出了一种双主干网络(MobileNets VGG-DCBM Network, MVNet)用于雾天交通目标检测,结构受 PCCN 和 CBNet 网络结构的启发,由改进的深度可分离卷积神经网络 MobileNets 和基于 VGGNet 构建的 VGG-DCBM 网络组成;采用并行方式构建双主干目标检测网络结构,以改进的 MobileNets 为主主干网络,VGG-DCBM 为辅助主干网络,共同提取特征信息,实现不同网络间特征层信息的融合;MVNet 网络结构采用并行方式获取两个不同网络提取的不同特征层信息,通过采用通道拼接的方法实现不同网络特征信息之间的融合,以获得更丰富的细节特征;在 RTTS 和 HazePerson 数据集上,平均精度均值(mean Average Precision, mAP)分别达到 71. 50%和 89. 84%;实验结果表明:在雾霾等复杂恶劣天气条件下具有较强的鲁棒性且能够准确的检测到车辆和行人,在目标检测性能上优于对比方法。     

基于改进YOLOv5s的辣椒采摘机器人识别定位方法

为了准确研究辣椒采摘机器人受不同作业场景影响的规律，利用获取的采摘目标信息构建基于改进YOLOv5s的辣椒采摘识别定位模型.基于光照强度、光照角度、枝叶遮挡和果实重叠等场景建立图像数据库，引入双向特征金字塔网络改进YOLOv5s的特征融合网络进行深层次特征提取，以增强网络的信息表达能力，提高检测精度.探讨不同场景对该模型检测精度P、检出率R和平均精度均值(mean average precision, MAP)的影响规律.结果表明：改进后YOLOv5s模型对辣椒的检测精度高达95.6%,较YOLOv4、YOLOv3、YOLOv2及Faster R-CNN模型分别提高了6.1%,9.3%,44.4%,8.2%;光照角度处于正面90°时的检测效果最佳，MAP达97.3%;模型在白天强光和傍晚弱光场景下的鲁棒性好，MAP值高于90%;模型在枝叶遮挡场景下比果实重叠时的检测精度高；辣椒距离相机坐标系的空间坐标测量值取0.2 m时的误差仅为1 mm,满足辣椒采摘定位精度需求.     

辅助驾驶系统中浓雾天识别方法分析

辅助驾驶系统中通过计算能见度信息对雾天进行识别的方法存在一定的局限性。针对此问题,利用机器学习方法设计了可用于辅助驾驶系统的浓雾天识别算法,避免了基于能见度识别雾天的局限性。首先建立了基于驾驶场景的图像训练集;然后基于卷积神经网络和胶囊网络分别设计卷积神经网络-浓雾识别(convolutional neural networks-dense fog recognition, CNN-DFR10)和胶囊网络-浓雾识别(capsule networks-dense fog recognition, CN-DFR5)两种浓雾天识别算法模型,算法模型通过设置概率阈值的方法对天气类型进行区分,不同的概率值范围对应不同的天气类型。最后对比分析CNN-DFR10和CN-DFR5在浓雾天、雨天、阴天和晴朗天4种天气类型中的测试结果。结果表明:CNN-DFR10算法对天气的识别准确率为86.9%,CN-DFR5算法的识别准确率为97.5%,后一种算法比前者能够更有效地从4种天气类型图像中区分出浓雾天和非浓雾天。     

基于级联卷积神经网络的番茄果实目标检测

为了使采摘机器人在收获番茄时更加精准地识别目标果实,采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测.将Cascade RCNN网络中的非极大值抑制算法替换为Soft-NMS(soft non-maximum suppression)算法,采用适合番茄形状的锚框,增强网络对重叠果实的识别能力,与原Cascade RCNN网络相比,目标识别的准确率提高了近2％,在识别番茄果实的同时,该网络对番茄的成熟度进行了简单分类.为进一步验证网络性能,将改进网络与经典的Faster RCNN网络和YOLOv3网络进行对比.实验结果表明,改进网络能够准确地识别出番茄果实,并对成熟番茄与未成熟番茄做出区分.该方法可为温室内番茄果实的采摘提供技术支持.     

增强的OHTA颜色空间融合FPFH识别点云中的甜椒果实

【目的】研究三维点云中甜椒果实的精确识别，为采摘机器人进行采摘作业提供准备。【方法】提出一种增强OHTA颜色空间融合快速点特征直方图（Fast point feature histogram，FPFH）识别三维点云中甜椒果实的方法。以OHTA颜色空间为基础，通过分析甜椒植株颜色的特征，对I2和I3分量进行调整以增强果实与非果实的区分对比度；然后对所采集的点云进行几何特征的计算并利用FPFH对它进行描述；将颜色特征与FPFH进行融合得到点云描述符，并利用分类器进行判定分类，最终得到属于甜椒果实的点云。【结果】提出的方法可以将甜椒植株中的甜椒点云进行识别，且准确率较已有文献有一定提高。【结论】通过对比不同果实点云描述符的识别效果，提出的方法对甜椒果实点云的识别准确率为97.31%，精确-召回曲线下的面积的值为0.984，均优于其他点云描述符。     

雨天图像中目标显著性检测算法设计与效果评价

雨天条件下,图像中目标的许多特征被掩盖,使得户外图像应用系统效能发挥受到严重的影响。为了提高雨天条件下图像中目标检测的质量,通过综合分析雨天图像中的目标特征,发现其亮度颜色信息、色彩差异信息和暗通道先验信息对目标的显著性具有高敏感度,进而提取了雨天图像中目标的显著性特征,构建了基于混合特征的目标显著性检测模型,最后通过多个评价指标的效能评估实验,与经典算法进行对比,验证了本文算法的有效性。     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于RetinaNet深度学习模型的火焰检测研究

鉴于卷积神经网络能够自动学习和获取图像特征,提出一种基于RetinaNet模型的火焰检测算法.首先RetinaNet在残差网络之上使用特征金字塔网络作为骨干网计算和生成丰富的卷积特征金字塔,然后通过分类子网络和边框预测子网络分别对骨干网的输出进行分类和回归,通过调整训练策略和参数,最后在自建数据集上使用该算法得到的火焰检测模型实现了实时的端到端火焰识别与定位,对复杂目标背景下的小火点检测也保持较高的检测准确率,对火灾初期的检测预警有一定的实用意义.     

荔枝采摘机械手果实识别与定位技术

针对采摘机械手在自然环境下对荔枝的识别和精确定位问题进行研究.通过分析自然环境成熟荔枝的颜色特征,选取HSV颜色模型进行阀值分割,去除荔枝图像的复杂背景,并利用模糊C-均值聚类法(FCM)对图像中荔枝果实和果梗进行分割,试验结果表明:有效识别果实和果梗的正确率为93.3％.通过计算果实“质心”与果梗的距离最大值确定荔枝采摘点,利用基于色调空间的彩色图像匹配法和极限约束法进行果梗采摘点的立体匹配,实现了采摘点的空间定位,定位试验结果表明:定位坐标中深度值误差小于3 cm,深度值误差率小于5.64％,能满足实际作业中荔枝采摘机械手的定位精度要求.     

基于无线传感器网络的赣南脐橙土壤湿度监控系统

赣南是我国最大的脐橙产区,适时适量的给水灌溉直接关系到脐橙的产量与质量.为了提高灌溉效率,提高种植生产效率,针对赣南丘陵地貌特征,以ZigBee为技术核心,结合internet技术,设计了一个无线土壤湿度监测与控制系统.通过该系统,用户可以远程实时查看脐橙园区土壤湿度,远程下达打开或关闭灌溉阀门的指令,控制土壤湿度.脐橙园区实地测试表明,该系统能够实现预定功能,具有较好的稳定性,为脐橙智能灌溉提供了有效工具.     

富硒功能保鲜剂在脐橙上的富硒效果研究

采用动植物原料制备出了新型富硒功能保鲜剂(CN-1),并利用果蔬的呼吸作用,使果蔬在保鲜的过程中富硒.实验测定了脐橙在储藏和保鲜过程中硒含量的变化,考察富硒功能保鲜剂对水果脐橙富硒效果.结果表明,采用富硒功能保鲜剂浸泡的脐橙能明显提高脐橙的果肉硒含量,且随着富硒保鲜剂中硒浓度的增大,果肉富硒含量也增大.按照国家标准对富硒食品硒含量的要求及食品中硒的限量标准,得出富硒功能保鲜剂中最佳硒浓度为180 mg/L.所制备出的富硒保鲜剂为天然生物保鲜剂且可人为控制硒的含量,不会出现硒超标及环境污染等安全性问题.富硒功能保鲜剂既可提高水果中硒含量水平,又可延长水果的销售时间;具有良好的社会效应和经济价值.     

四川眉山脐橙果树各器官及其土壤中稀土元素分布特征研究

通过对四川眉山脐橙及其黄泥紫色土中稀土元素的丰度和分布模式研究 ,指出脐橙果树各器官主要吸收和利用轻稀土 ,并且果肉稀土元素含量低于果皮和树枝     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

脐橙果实和叶片发育中磷硫动态的研究

研究了赣南纽荷尔和朋娜脐橙果实及叶片中的磷硫含量的季节性变化.结果表明:(1)幼果期两品种果皮磷含量均居较高,之后趋明显下降,而对应果肉磷含量趋于稳定;两品种老叶磷含量动态均呈前升后降的趋势,膨大期内纽荷尔老叶磷含量相对较高,对应春梢叶磷含量均呈明显下降趋势.(2)两品种果皮和果肉硫含量整体上均趋下降;老叶硫含量虽于幼果期均出现较小的峰值,但总体变化较小,且纽荷尔老叶硫含量相对较高,而春梢叶硫含量整体均趋上升.本文还就纽荷尔脐橙果实和叶片发育过程中的磷硫动态与其生长发育及其缺硼表现的关系进行了讨论.     

基于深度学习的蜜柚果树航拍图像检测

精细化、智慧化是果园管理的必然发展趋势,其中果树位置信息是果园管理的重要数据。为了快速获取井冈蜜柚果树的位置,利用无人机航拍获取蜜柚果园的正射影像,提出了一种用于检测蜜柚果树目标的SSD改进算法。该算法将原SSD算法的主干网络VGG替换为VoVNet,提高了特征提取能力。对样本数据进行了裁剪处理,有效提高了算法检测小目标的能力。实验结果表明,蜜柚果树目标的平均检测精度达到92.6%。     

深度卷积网络多目标无人机信号检测方法

现有无人机的感知识别方法多采用视觉探测,易受限于探测距离和周围建筑物遮挡及不良天气能见度等诸多因素的影响.针对这一问题提出一种利用深度卷积神经网络开展无人机链路感知识别的算法,构建多模式多类型无人机的RF信号训练数据集,并给出卷积神经网络详细设计及优化方法步骤.实测结果表明:所提深度算法不仅可以实现多类型的无人机入侵识别,还可以进一步对其型号和飞行模式进行区分.在-20 dB的低信噪比条件下,对无人机批次识别率为96.8％(6类),飞行模式的识别率可达94.4％(12类),具有很强的应用前景.     

基于深度学习的葡萄果穗检测

果穗检测是农业自动化采摘作业的热门关键技术。针对成熟期葡萄易腐烂、成熟状况不一,以及葡萄果园背景复杂、光照条件多变的问题,基于YOLO v5s算法提出一种轻量化改进的检测识别方法。首先,采用Efficientnet-v2网络作为特征提取主干并在其中融合了不降维局部跨信道交互模块,在保障精度的前提下大幅度缩减模型大小以及参数量,加快模型推理速度;其次,为了进一步弥补模型简化造成的精度损失,在模型特征融合关键位置引入坐标注意力模块,强化对目标的关注度,提升模型应对密集目标检测以及对抗复杂背景干扰的能力,保障算法的综合性能及可靠性。实验结果表明：改进后的算法平均准确率达98.7%,平均检测速度为0.028 s,模型大小仅为12.01 MB,相较于改进前的算法准确率提升了0.41%,检测速度快了22%,模型减小了13.2%。在果园场景图像检测测试中,所提出算法能够良好地检测出葡萄果穗并辨别其状况,对不同环境影响也具有较强适应能力,为自动化采摘技术的发展提供了参考。